কেস স্টাডি: রাইড-শেয়ারিং সিস্টেম ডিজাইন করা

১ · রিকোয়ারমেন্ট

একটি রাইড-শেয়ারিং সিস্টেমের ফাংশনাল রিকোয়ারমেন্ট মোটামুটি সরল — রাইডার রাইড রিকোয়েস্ট করবে, সিস্টেম একজন নিকটতম উপলব্ধ ড্রাইভারের সাথে ম্যাচ করবে, ট্রিপ চলাকালীন রিয়েল-টাইম অবস্থান দেখাবে, এবং ট্রিপ শেষে ভাড়া হিসাব করবে।

আসল চ্যালেঞ্জ হলো নন-ফাংশনাল দিক — বিশেষত নিকটতম উপলব্ধ ড্রাইভার খোঁজা যখন শহরে হাজার হাজার ড্রাইভার সচল অবস্থায় প্রতি কয়েক সেকেন্ডে নিজেদের অবস্থান আপডেট করছে।

২ · ক্যাপাসিটি অনুমান

L02-এর পদ্ধতিতে দুটি আলাদা সংখ্যা হিসাব করা দরকার — রাইড-রিকোয়েস্ট QPS এবং ড্রাইভার-লোকেশন-পিং QPS। ধরি একটি শহরে ৫০ লক্ষ (৫০,০০,০০০) DAU রাইডার আছে, গড়ে প্রতিজন দিনে ২টি রাইড রিকোয়েস্ট করে।

daily_riders = 5_000_000
rides_per_rider_per_day = 2
seconds_per_day = 24 * 60 * 60

total_ride_requests = daily_riders * rides_per_rider_per_day
avg_ride_qps = total_ride_requests / seconds_per_day

active_drivers = 500_000        # পিক আওয়ারে সচল ড্রাইভার সংখ্যা
ping_interval_seconds = 4        # প্রতি ৪ সেকেন্ডে একটি লোকেশন পিং

location_ping_qps = active_drivers / ping_interval_seconds

print(f"গড় রাইড-রিকোয়েস্ট QPS: {avg_ride_qps:,.1f}")
print(f"ড্রাইভার লোকেশন-পিং QPS: {location_ping_qps:,.1f}")
print(f"পিং QPS, রাইড QPS-এর তুলনায় কত গুণ বেশি: {location_ping_qps / avg_ride_qps:,.0f}x")

৩ · হাই-লেভেল ডিজাইন

রাইডার ও ড্রাইভার অ্যাপ থেকে রিকোয়েস্ট একটি লোড ব্যালেন্সারের (L11) মধ্য দিয়ে স্টেটলেস অ্যাপ সার্ভারে (L12) যায়। ড্রাইভার লোকেশন পিং একটি ইন-মেমরি জিওস্প্যাশিয়াল ইনডেক্স সার্ভিসকে ক্রমাগত আপডেট করে — এই ইনডেক্সই "নিকটতম ড্রাইভার" প্রশ্নের উত্তর দেয়। ম্যাচ হওয়ার পর ট্রিপ ডেটা একটি শার্ডেড ডেটাবেসে (L17, প্রায়ই trip_id বা city_id দিয়ে শার্ডেড) সংরক্ষিত হয়।

৪ · ডিপ ডাইভ — গ্রিড-বাকেটিং দিয়ে নিকটতম ড্রাইভার খোঁজা

প্রতিটি রাইড রিকোয়েস্টে সব ড্রাইভারের সাথে দূরত্ব হিসাব করা (naive O(n) স্ক্যান) হাজার হাজার ড্রাইভারের জন্য অকার্যকর। বাস্তব সিস্টেম geohashingGeohashinglat/long-কে একটি স্ট্রিং-এ এনকোড করার পদ্ধতি, যেখানে কাছাকাছি অবস্থানের স্ট্রিং প্রিফিক্স একই থাকে — দ্রুত নৈকট্য-ভিত্তিক লুকআপ সম্ভব করে। বা কোয়াডট্রি ব্যবহার করে সার্চ স্পেস আগেই ছোট করে রাখে। আমরা একটি সরলীকৃত সংস্করণ — গ্রিড-বাকেটিং — বাস্তবায়ন করব: lat/long-কে নিকটতম ০.০১ ডিগ্রি (~১ কিমি) গ্রিড সেলে রাউন্ড করে একটি বাকেট কী বানানো হয়, এবং প্রতিটি ড্রাইভার তার বর্তমান বাকেটে থাকে। রাইডারের কাছাকাছি ড্রাইভার খুঁজতে শুধু রাইডারের নিজের বাকেট এবং তার ৮টি প্রতিবেশী বাকেট (মোট ৩×৩ গ্রিড) চেক করলেই যথেষ্ট।

import random

def bucket_key(lat, lon, precision=0.01):
    # lat/long-কে নিকটতম ০.০১ ডিগ্রি গ্রিড সেলে রাউন্ড করা
    return (round(round(lat / precision) * precision, 2),
            round(round(lon / precision) * precision, 2))

# ৫০০ জন ড্রাইভার ঢাকার একটি এলাকায় ছড়িয়ে আছে (সিমুলেটেড, ফিক্সড সিড)
rng = random.Random(42)
drivers = {}
for driver_id in range(1, 501):
    lat = round(23.70 + rng.random() * 0.30, 4)   # ~২৩.৭০ - ২৪.০০
    lon = round(90.30 + rng.random() * 0.30, 4)   # ~৯০.৩০ - ৯০.৬০
    drivers[driver_id] = (lat, lon)

# গ্রিড বাকেট তৈরি: bucket_key -> [driver_id, ...]
grid = {}
for driver_id, (lat, lon) in drivers.items():
    key = bucket_key(lat, lon)
    grid.setdefault(key, []).append(driver_id)

def find_nearby_drivers(rider_lat, rider_lon):
    rb_lat, rb_lon = bucket_key(rider_lat, rider_lon)
    candidates = []
    for d_lat in (-0.01, 0.0, 0.01):
        for d_lon in (-0.01, 0.0, 0.01):
            neighbor_key = (round(rb_lat + d_lat, 2), round(rb_lon + d_lon, 2))
            candidates.extend(grid.get(neighbor_key, []))
    return candidates

rider_lat, rider_lon = 23.81, 90.41   # রাইডারের অবস্থান
nearby = find_nearby_drivers(rider_lat, rider_lon)

print(f"মোট সিমুলেটেড ড্রাইভার: {len(drivers)}")
print(f"রাইডারের গ্রিড বাকেট: {bucket_key(rider_lat, rider_lon)}")
print(f"৩×৩ নেইবার গ্রিডে পাওয়া প্রার্থী ড্রাইভার সংখ্যা: {len(nearby)}")
print(f"প্রার্থী ড্রাইভার আইডি: {nearby}")
reduction = 100 - round(len(nearby) / len(drivers) * 100, 1)
print(f"স্ক্যান কমেছে: {len(drivers)} জন থেকে মাত্র {len(nearby)} জনে (~{reduction}% কম চেক)")

৫ · ট্রেড-অফ

গ্রিড-বাকেটিং সহজ ও দ্রুত, কিন্তু একটি নির্দিষ্ট গ্রিড-সাইজ বেছে নিতে হয় — খুব ছোট সেল হলে ঘনবসতিপূর্ণ এলাকায় (যেমন শহরের কেন্দ্র) খুব কম বাকেট কভার হয়ে যায় ও ফলাফল অসম্পূর্ণ হতে পারে; খুব বড় সেল হলে প্রতিটি বাকেটে অনেক ড্রাইভার জমা হয়ে সুবিধাটাই কমে যায়। geohashing ভ্যারিয়েবল-প্রিসিশন প্রিফিক্স দিয়ে এটি আংশিক সমাধান করে, আর কোয়াডট্রি ঘনত্ব অনুযায়ী সেল সাইজ ডাইনামিকভাবে ছোট-বড় করে — বাড়তি জটিলতার বিনিময়ে ভালো ভারসাম্য। উচ্চ-লেখা থ্রুপুটের (প্রতি ৪ সেকেন্ডে লক্ষাধিক পিং) কারণে জিওস্প্যাশিয়াল ইনডেক্সকে ইন-মেমরি ও শার্ডেড রাখতে হয় — একটি একক ডেটাবেসে সরাসরি এই আপডেট রেট সামলানো বাস্তবসম্মত নয়।